은행의 대화형 AI: 활용 사례, 이점, 예시
- 게시일
- 최종 업데이트
금융기관은 고객의 업무 시간이나 수업 일정과 겹치는 짧고 제한적인 영업시간을 운영하는 경우가 많습니다. 은행에 대화형 AI를 도입하면 운영비를 늘리지 않고 고객에게 24시간 연중무휴 서비스를 제공해 이러한 공백을 메울 수 있습니다. 영업시간 중에도 AI 에이전트는 일상적인 질문에 답하고, 고객 신원을 확인하며, 결제 분쟁까지 처리해 긴 대기 시간을 줄입니다.
이러한 자동화 서비스가 제공하는 비용 효율성과 향상된 고객 경험 덕분에 대화형 AI는 은행의 핵심 도구로 자리 잡았습니다. 하지만 챗봇의 빠른 확산이 반드시 장점인 것은 아닙니다. 소비자금융보호국은 2023년 미국 상위 10대 은행이 이미 워크플로에 챗봇을 추가했으며, 미국인 3분의 1 이상이 이러한 봇과 상호작용했다고 보고했습니다. 그러나 CFPB는 이러한 봇의 성능에도 문제가 있음을 발견했으며, 이는 실질적인 해결과 명확한 상담원 연결이 더욱 중요하다는 점을 보여줍니다.
이 가이드에서는 은행의 대화형 AI가 무엇인지, 그리고 현대 금융팀이 민감한 데이터를 보호하면서 고객 상호작용에 사람 수준의 대화를 제공하기 위해 대량 지원 파이프라인을 어떻게 구축하는지 살펴봅니다. 또한 은행에서 사용하는 인공지능 기술의 유형과 다양한 채널에서 성공을 측정하는 방법도 다룹니다.

요약
- 은행의 대화형 AI는 자연어 요청을 처리하는 에이전트를 활용해 고객에게 24시간 연중무휴 지원을 제공합니다.
- 고객은 대화형 뱅킹으로 일상적인 문의를 해결하거나 처리 중인 계정 문제의 업데이트를 받는 등의 작업을 빠르게 처리합니다.
- 안전한 대화형 뱅킹 시스템은 엄격한 사이버 보안 프로토콜과 SOC 2 Type II, ISO 27001, PCI DSS 준수로 금융 데이터를 보호합니다.
- 운영 책임자는 최초 문의 해결률과 에스컬레이션 빈도 같은 핵심 지표를 측정하여 다양한 은행 챗봇 활용 사례의 성과를 추적합니다.
- 영향력이 큰 챗봇 활용 사례로는 계좌 온보딩, 결제 알림, 분쟁 접수, 사기 알림이 있습니다.
- 음성 에이전트를 사용하면 고객은 수십 개 언어로 더 빠르게 응답받으며 자연스럽게 전화 뱅킹 업무를 처리할 수 있습니다.
은행의 대화형 AI란 무엇인가요?
은행의 대화형 AI는 자동화된 채팅 및 음성 시스템으로 은행 관련 상호작용을 처리하고 고객 문의를 해결합니다. 모든 요청을 사람에게 연결하는 대신, 이러한 AI 에이전트는 해결할 수 없는 문제나 고객이 명시적으로 요청한 경우에만 에스컬레이션합니다.
이러한 챗봇은 경직된 스크립트를 따르는 기본 규칙 기반 모델과 다릅니다. 최신 대화형 뱅킹 플랫폼은 자연어를 이해하고 실제 계정 컨텍스트를 가져옵니다. 이 시스템은 정보 요청, 의도 해석, 사용자 신원 확인, 복잡한 워크플로의 실시간 해결 등의 작업을 처리합니다.
즉, 대화형 AI를 사용하면 고객은 사람 상담원에게 하듯 은행에 말하거나 입력할 수 있습니다. 실제로 어떻게 작동하는지 살펴보겠습니다.

은행은 어떤 유형의 AI를 사용하나요?
금융기관은 고객 대면 업무와 백오피스 업무 모두에 AI 모델을 도입합니다. 고객 경험과 지원을 위한 AI 모델이 필요할 뿐 아니라, 은행은 리스크 관리와 사기 탐지 등을 위한 전문 모델도 사용합니다.
워크플로를 최적화하기 위해 사용하는 핵심 기술은 다음과 같습니다.
- 대화형 AI: 자연어 처리(NLP)를 기반으로 하는 대화형 AI는 실시간 음성 및 채팅 상호작용을 통해 고객 대면 업무를 지원합니다. 예를 들어, 은행에 도입된 ElevenAgents는 NLP를 사용하여 사용자 의도를 해석하고 여러 채널에서 일상적인 거래를 실행합니다.
- 생성형 AI: 생성형 AI도 NLP를 사용하지만 이미지와 같은 다른 유형의 데이터도 수집할 수 있습니다. 생성형 AI 에이전트는 내부 조사를 가속하고, 복잡한 문서를 분석하며, 은행 직원을 위한 보고서를 초안으로 작성합니다. 이러한 관리 업무 활용 사례는 챗봇 운영과 같은 고객 대면 업무와는 구분됩니다.
- 머신러닝: ML 모델은 거래 이력과 과거 데이터를 분석해 잠재적 사기를 실시간으로 식별하고 필요에 따라 리스크 점수를 산출합니다. 또한 이러한 알고리즘은 네트워크 활동을 지속적으로 모니터링하여 이상 징후를 식별하고 의심스러운 거래를 차단합니다.
은행의 대화형 AI vs. 챗봇 vs. IVR
은행은 수년간 전화 메뉴와 스크립트 기반 챗봇을 사용해 왔습니다. 대화형 AI는 은행 시스템과 더 자연스럽게 상호작용할 수 있도록 다른 접근 방식을 취합니다.
세 가지 접근 방식이 실제로 어떻게 다른지 살펴보겠습니다.
기준
IVR
규칙 기반 은행 챗봇
대화형 AI 에이전트
고객 상호작용 방식
키패드 입력 또는 한 단어 음성 명령
입력 텍스트 및 사전 설정 옵션
자연스러운 음성 또는 텍스트
개방형 요청 이해
아니요
스크립트로 정해진 주제에 한정
예, 자연어 이해
계정 컨텍스트 활용
제한적
제한적
예, 통합을 통해 가능
작업 실행
제한적
제한적
예, 통합을 통해 가능
채널
전화
채팅
전화, 채팅 및 메시징
적합한 용도
간단한 전화 라우팅
자주 묻는 질문
개방형 서비스 및 엔드투엔드 작업
IVR과 AI 음성 에이전트가 기존 방식과 어떻게 다른지 자세히 알아보세요. 대부분의 은행에는 명확한 상담원 연결과 가드레일을 갖춘 개방형 요청용 대화형 AI가 실용적인 선택입니다.
대화형 뱅킹과 전통적 뱅킹 비교
현대 금융기관은 서비스를 자동화해 마찰을 성공적으로 줄이고 정적인 고객 서비스를 혁신한 핀테크 기업과의 경쟁이 심화되고 있습니다. 많은 핀테크 기업은 사람과 AI 에이전트가 함께하는 채팅으로 24시간 연중무휴 지원도 제공했습니다.
대형 금융기관의 운영 책임자들은 자동화 워크플로를 도입하며 격차를 좁히고 은행 AI의 모든 이점을 활용하고 있습니다. 이러한 변화는 고객 편의성을 우선시하는 동시에 컨택 센터 운영 비용을 줄입니다.
현대의 대화형 뱅킹과 기존 시스템을 비교해 보겠습니다.
운영 영역
전통적 뱅킹
대화형 뱅킹
서비스 이용 가능 시간
정해진 영업시간에 운영하며 전화 트리로 통화 대기열을 분류
음성 및 디지털 채팅 채널에서 24시간 연중무휴 지원 제공
고객 탐색
지원을 받기 위해 경직된 메뉴와 수동 키패드 선택을 사용하도록 강제
필수 사전 설정 옵션 없이 자연스러운 음성 또는 텍스트 대화 처리
세션 컨텍스트
채널마다 반복적인 신원 확인과 수동 계정 조회 필요
한 번 사용자 인증 후 해당 상호작용의 모든 접점에서 전체 계정 이력과 컨텍스트 유지
데이터 처리
직원의 수동 데이터 입력 또는 사용자의 정적 웹 양식 제출
계정 작업을 실시간으로 실행하는 자동화된 API 호출
처리 용량 및 비용
더 많은 사무 공간, 장비, 인력, 교육 등 운영 확장을 위한 물리적 및 인적 자원 필요
통화량이 많은 피크 시간이나 적은 요청량과 관계없이 동일한 품질과 일관성으로 고객 문의 처리
시스템 통합
코어 뱅킹 소프트웨어와 분리된 독립형 인터페이스
백엔드 원장, CRM 및 보안 도구와 직접 통합
보안 및 규정 준수
레거시 사일로 전반의 수동 ID 확인 및 분산된 규정 준수 추적
SOC 2 Type II, ISO 27001 및 Zero Retention 모드를 적용한 엔드투엔드 데이터 암호화
일부 은행은 전통적 뱅킹과 대화형 뱅킹의 중간 지점에 있습니다. 하지만 현대 뱅킹의 모든 이점을 최적화하려면 고급 대화형 AI 시스템을 포함한 워크플로 변화가 필요합니다.
음성 AI 전화 뱅킹: 음성 에이전트의 통화 처리 방식
전화 뱅킹은 일부 고객에게 익숙한 정적인 메뉴와 대화형 AI의 차이가 가장 크게 느껴지는 영역입니다. 음성 에이전트는 고객의 말을 듣고, 원하는 내용을 이해하며, 자연스러운 음성으로 실시간 응답합니다.
좋은 통화는 다섯 가지 요소로 이루어집니다. 발신자 확인, 말한 내용 이해, 신속한 응답, 자연스러운 중단 처리, 그리고 적절한 순간에 상담원 연결입니다.
아래에서는 통화가 시작부터 끝까지 어떻게 진행되는지 살펴봅니다.

1) 발신자 확인
모든 통화는 같은 질문으로 시작합니다. 누구신가요? 에이전트는 계정 세부 정보를 공유하기 전에 발신자가 제공한 전화번호와 기타 정보를 사용해 CRM이나 코어 뱅킹 플랫폼 같은 연결된 시스템에서 발신자 기록을 조회합니다. 그런 다음 안전한 발신자 신원 확인 워크플로를 통해 등록된 정보를 확인하도록 요청합니다.
은행마다 자체 확인 요건을 정하며, 에이전트는 은행이 정한 동일한 단계를 적용합니다. 음성 에이전트 통합 가이드에서는 에이전트가 통화 중 고객 기록을 읽고 업데이트하는 방법을 설명합니다.
발신자가 확인되면 에이전트는 요청을 이해하는 데 집중할 수 있습니다.
2) 발신자 이해
지역이나 국가에 따라 고객마다 말하는 방식이 다를 수 있습니다. 에이전트는 이를 정확하게 이해하고 고객에게 맞는 방식으로 응답할 수 있어야 합니다.
ElevenAgents가 은행 고객을 지원하는 데 도움이 되는 몇 가지 구성 요소는 다음과 같습니다.
- 모든 발신자 듣기: Scribe v2는 90개 이상의 언어 음성을 전사합니다. 핵심 용어 프롬프팅을 사용하면 제품명과 은행 용어를 추가하여 정확히 전사할 수 있습니다. Scribe v2 real-time은 최대 50개의 핵심 용어를 지원합니다.
- 발신자 언어로 응답: Eleven v4 Turbo는 90개 이상의 언어와 억양을 지원합니다. 모든 음성은 에이전트가 지원하는 모든 언어를 말할 수 있으며 통화 중간에 언어를 전환할 수 있고, 턴과 언어가 바뀌어도 같은 음성 정체성을 유지합니다. 예를 들어 Revolut의 에이전트는 언어를 실시간으로 감지하고 전환하며 31개 이상의 언어로 운영됩니다.
- 신뢰할 수 있는 목소리 제공: 억양, 톤, 스타일별로 필터링된 90개 이상 언어의 17,500개 이상 음성 중에서 선택하거나, 짧은 녹음으로 음성을 복제하여 고객이 모든 통화에서 같은 목소리를 듣게 할 수 있습니다.
- 은행 용어 정확히 발음: 발음 제어를 사용하면 음소 규칙 또는 인라인 IPA로 에이전트의 브랜드명, 기술 용어, 지명 발음을 세밀하게 조정할 수 있습니다. “IBAN 송금”과 같은 용어가 대표적인 예입니다.
3) 신속하게 응답
에이전트가 어색한 멈춤 없이 응답하고 바로 그 순간에 맞는 목소리를 낼 때만 통화가 자연스럽게 느껴집니다. ElevenLabs는 실시간 대화를 위해 설계된 음성 모델인 Eleven v4 Turbo의 응답 시간이 약 100밀리초라고 밝혔습니다.
2026년 9월 ElevenLabs 벤치마크에서 WebSocket 스트리밍을 통한 Eleven v4 Turbo는 요청부터 가청 음성까지의 중앙값 시간이 142밀리초였습니다. 동일한 스크립트와 기본 설정으로 테스트한 경쟁 TTS 모델은 262~814밀리초 범위였습니다.
은행 통화는 모두 같지 않습니다. 잔액 확인, 결제 계획, 사기 알림은 각각 다르게 전달되어야 하며, Eleven v4 Turbo를 탑재한 ElevenAgents는 통화 중 발신자의 감정에 맞춰 톤을 조정합니다. 고객이 답답해할 때는 더 차분하게, 혼란스러워할 때는 더 명확하게 응답합니다. 오디오 태그와 대화 컨텍스트로 전달 방식을 더욱 세밀하게 조정할 수 있습니다. 빠르고 적절한 톤의 답변은 발신자가 자연스럽게 끼어들 수 있게 하며, 이때 턴 테이킹이 중요합니다.
4) 자연스럽게 중단 처리
발신자는 말을 끊거나, 멈추거나, 문장 중간에 생각을 바꾸기도 합니다. 좋은 에이전트는 이러한 중단에도 흐름을 유지합니다. ElevenAgents에서는 전용 턴 테이킹 모델이 중단과 대화 타이밍을 관리합니다. Eleven v4 Turbo를 사용하면 발신자가 끼어들 때 에이전트는 단어 중간에도 멈추고, 수정 내용을 반영해 같은 턴에서 새 질문에 답합니다.
5) 적절한 순간에 상담원 연결
좋은 에이전트는 자신의 한계도 압니다. 취약 고객, 민원, 사기 의심 사례는 컨텍스트가 풍부한 신속한 연결을 통해 상담원에게 전달해야 합니다. 고객이 처음부터 다시 설명하지 않도록 대화 내용을 요약해 사람 상담원에게 전달해야 합니다.
각 은행은 어떤 상황에서 상담원 연결을 실행할지 결정하며, 에이전트는 모든 통화에서 해당 규칙을 적용합니다.
이 다섯 가지 요소가 함께 작동하면 음성 에이전트와의 대화는 고객이 사람 상담원과 나누는 대화와 비슷하게 느껴집니다. 더 나은 통화 경험은 기관에 대한 신뢰를 쌓고, 시간이 지날수록 고객의 더 깊은 참여와 더 강한 관계로 이어집니다.
은행에서 대화형 AI의 이점
수동 지원 대기열을 자동화된 해결 방식으로 대체하면 대형 금융기관도 핀테크 기업 고유의 민첩성을 확보할 수 있습니다. 대화형 AI는 컨택 센터의 운영 방식을 바꾸고 확장성과 고객 경험을 개선합니다. 많은 금융기관이 파이프라인을 최적화하기 위해 ElevenAgents를 도입하는 이유는 다음과 같습니다.
대기 시간 및 컨택 센터 업무량 감소
McKinsey & Company는 은행에 대화형 AI를 도입하면 평균 처리 시간이 10~20% 감소하고 전체 통화량이 최대 40% 감소한다고 보고합니다. 컨택 센터 업무량 감소는 금융기관의 운영 비용 절감으로도 이어집니다. KeyBank CEO는 2026년 초 투자자들에게 AI가 처리한 통화의 비용은 약 35센트인 반면, 사람이 처리한 통화는 약 9달러로 비용을 크게 절감할 수 있다고 말했습니다.
음성 및 채팅 전반의 지속적인 이용 가능성
음성 및 채팅 에이전트는 고객이 필요할 때 언제든 24시간 연중무휴로 서비스를 제공합니다. 이러한 고품질 지원의 지속적인 이용 가능성은 다음과 같은 고객 경험 지표를 향상합니다.
- 고객 만족도(CSAT) 및 순추천지수(NPS): 디지털 채널을 사용하는 고객 전반의 만족도를 측정합니다.
- 자동 해결률: 사람의 개입 없이 자동화 시스템만으로 완전히 해결된 문의의 비율을 추적합니다.
- 최초 문의 해결률(FCR): FCR은 은행과의 첫 접점에서 완료된 작업의 비율을 측정합니다.
- 고객 이탈 및 유지율: 고객이 계좌를 유지하거나 은행에 충성하는 기간을 추적합니다.
대규모 환경에서도 일관되고 규정을 준수하는 응답
자동화는 더 나은 품질 보증을 위해 작업을 간소화하고 최적화하며, 이에 따라 QA 비용을 최대 30% 절감합니다. 또한 규제 기관과 감사자를 위한 명확한 감사 추적을 바탕으로 수백만 건의 상호작용 전반에 엄격한 정책 가드레일을 적용합니다. 조직은 SOC 2 Type II 및 PCI DSS 표준을 충족하는 플랫폼을 선택해 규정 준수를 더욱 강화할 수 있습니다. 또한 음성 에이전트를 코어 원장에 연결하면 수동 입력과 그로 인해 발생할 수 있는 오류를 줄일 수 있습니다.
고객 여정 전반의 은행 챗봇 활용 사례
은행은 계좌 보유자에게 도움이 필요할 때뿐 아니라 고객 여정 전반에 대화형 AI를 배포하여 그 이점을 극대화할 수 있습니다. 은행이 AI를 어떻게 활용하는지 궁금하다면, 다음은 현대 에이전트가 기본 고객 지원 역할을 넘어 백엔드 시스템에서 엔드투엔드 금융 워크플로를 실행하는 사례입니다.
- 판매 전 단계 및 온보딩: 가상 어시스턴트는 신청자가 요구에 맞는 상품을 선택하도록 돕고, 고객확인제도(KYC) 문서를 수집하며, 계좌 설정을 간소화해 이탈률을 낮춥니다.
- 계좌 관리: 자동화 에이전트는 잔액 확인, 비밀번호 재설정, 일상적인 자금 이체와 같은 대량 은행 챗봇 활용 사례를 처리합니다.
- 분쟁 접수 및 알림: 자동화 워크플로는 다가오는 결제 기한을 고객에게 알리고 음성 또는 채팅으로 구조화된 분쟁 청구를 처리합니다.
- 사기 알림 및 복구: 시스템은 은행과 계좌 보유자에게 잠재적 사기를 알리고, 침해된 카드나 계좌를 몇 초 만에 동결할 수 있습니다.
- 계좌 해지 및 유지: 자동화 에이전트는 이탈 신호를 감지하고 고객 유지를 위해 맞춤형 인센티브나 대체 상품을 추천할 수 있습니다.
은행의 생성형 AI가 고객 대화를 개선하는 방법
생성형 AI는 정확하고 컨텍스트를 인식하는 응답을 생성하여 고객 대화를 개선합니다. AI 모델은 검색 증강 생성(RAG)을 사용해 실시간 계정 데이터와 회사 정책에 이러한 응답을 기반합니다. 경직된 의사결정 트리나 사전 스크립트 대화와 달리, RAG 지원 모델은 거래 이력과 개별 계정 데이터를 분석해 역동적이면서 사실에 기반한 답변을 제공합니다.
그럼에도 금융기관은 생성형 AI를 고객 대면 상호작용에 직접 배포하는 데 신중한 태도를 유지하고 있습니다. 환각, 부정확한 안내 또는 AI 에이전트가 의도적인 공격을 견디지 못하는 상황은 금융기관에 치명적인 결과를 초래할 수 있습니다.
업계에서는 잘못된 진술에 엄중한 처벌이 따르기 때문에, 은행은 일반적으로 생성형 AI 기술을 내부 및 백오피스 용도에 우선 적용합니다. 그러나 핀테크 기업들이 더 나은 고객 경험을 위해 생성형 AI를 과감하게 도입하면서, 더 많은 금융기관도 안전한 구현 방법을 찾고 있습니다.
안전하고 규정을 준수하는 은행 음성 경험 구축 방법
안전한 음성 에이전트 배포에 전념하는 금융기관은 대화형 AI 제공업체가 엔터프라이즈급 보안 및 규정 준수 표준을 충족하는지 평가해야 합니다. 확인해야 할 주요 인증은 다음과 같습니다.
- SOC 2 Type II: 플랫폼이 보안, 데이터 개인정보 보호, 운영 가용성을 위한 엄격하고 독립적인 감사를 거친 통제 체계를 유지함을 보여줍니다.
- PCI DSS: 결제 데이터의 저장, 처리, 전송에 필요한 의무적인 글로벌 보안 통제를 규정합니다.
- ISO 27001: 금융 정보처럼 민감한 데이터를 다루는 조직의 정보 보안 관리에 대한 국제적 기준입니다.
은행은 민감한 금융 데이터를 보호하기 위해 Zero Retention Mode도 고려해야 합니다. 이 기능은 모델이 상호작용의 오디오와 텍스트를 일시적으로 처리한 뒤 필요한 작업을 실행하는 즉시 삭제하도록 보장합니다. 이를 통해 모델이 은행 시스템 외부에 민감한 데이터 포인트를 저장하지 못하게 합니다.
은행은 고객 데이터가 현지화된 지리적 관할권 내에 유지되도록 지역별 데이터 레지던시 제어도 고려해야 합니다. 예를 들어 GDPR은 유럽연합 및 유럽경제지역의 개인 데이터가 해당 지역 밖으로 이전되는 방식을 제한하며, FINMA는 스위스 은행에 대한 요건을 정하고 있습니다.

은행에서 대화형 AI 성과를 측정하는 방법
속도와 응답 시간은 AI 모델의 성능과 비용 효율성을 판단하기에 좋은 출발점입니다. 그러나 운영 책임자는 실제 운영 영향과 서비스 품질을 파악하기 위해 이러한 기본 지표를 넘어 살펴봐야 합니다.
추적해야 할 세 가지 주요 지표는 다음과 같습니다.
- 해결률: 후속 조치 없이 해결된 고객 문의의 비율을 측정합니다.
- 에스컬레이션율: AI 모델이 문제를 해결하지 못했을 때 고객이 사람 상담원의 도움을 받기 위해 문의를 이전하거나 해결 단계를 상향해야 하는 빈도를 추적합니다.
- 규정 준수 점검: 고객 확인, KYC 문서화, 정확한 응답 등 필수 금융 규정을 에이전트가 엄격히 준수하는지 감사합니다.
평가 프레임워크와 테스트 방법론에 대한 더 자세한 내용은 대화형 AI 측정 가이드를 확인하세요.
ElevenAgents로 은행의 규제 절차를 관리하는 방법
은행에서 중요한 질문은 AI 에이전트가 대화를 할 수 있는지뿐 아니라, 은행의 리스크 팀이 이를 승인할 수 있는지인 경우가 많습니다. ElevenAgents는 안전한 배포를 위해 설계되었으며, 리스크 및 규정 준수 팀에 가장 중요한 네 가지 제어 기능을 제공합니다.
- 규제 절차의 고정 규칙: 고위험 절차는 결정론적 워크플로로 실행됩니다. 예를 들어, 에이전트는 인증을 통과하기 전에는 어떠한 계정 데이터도 공유할 수 없습니다.
- 모든 작업의 감사 추적: 에이전트가 수행하는 모든 작업은 추론 요약과 함께 기록되므로, 모든 결정은 감사자나 검사관에게 설명할 수 있습니다.
- 완전한 가시성과 제어: 팀은 에이전트의 모든 단계를 확인하고 편집할 수 있으며, 시뮬레이션 통화에서 변경 사항을 테스트하고 전체 적용 전에 일부 통화에 먼저 배포할 수 있습니다. 직접 운영하고 싶지 않다면 ElevenLabs의 FDE가 함께 운영할 수 있습니다.
- 사람이 필요한 순간을 위한 상담원: 취약 고객, 민원, 사기 의심 사례는 대화의 전체 컨텍스트와 함께 사람 상담원에게 전달됩니다.

금융 서비스에서 대화형 AI의 실제 활용: ElevenLabs 고객 사례
대화형 AI는 생성형 모델이 금융기관 자체 데이터에 기반하고 사람에게 명확히 연결될 때 금융 서비스에서 효과적으로 작동합니다. ElevenLabs 고객 두 곳이 실제 고객 통화에서 이것이 어떻게 구현되는지 보여줍니다.
활용 사례 한눈에 보기
고객
활용 사례
보고된 결과
Customers Bank
전화, 웹, 모바일 전반의 24시간 연중무휴 지원, 신규 고객을 위한 안내형 온보딩, 컨택 센터 직원을 위한 실시간 코칭
사람 상담원 에스컬레이션을 포함해 향후 몇 개월 동안 단계적으로 배포
Klarna
정보 요청을 위한 미국 전화 지원의 1차 대응, 필요 시 사람 상담원에게 연결
에이전트가 처리한 고객의 문제 해결 속도가 최대 10배 향상
Customers Bank
업계 평균의 거의 두 배에 달하는 순추천지수로 알려진 자산 250억 달러 규모의 미국 은행 Customers Bank는 ElevenAgents로 구축한 세 가지 에이전트를 도입하고 있습니다. 계정 문의, 카드 서비스, 이체를 위한 24시간 연중무휴 음성 및 채팅 에이전트, 신규 고객의 계좌 설정을 안내하는 온보딩 에이전트, 실시간 통화 중 컨택 센터 직원을 지원하는 실시간 코칭 에이전트입니다. 모든 에이전트에는 사람 상담원으로 연결되는 경로가 포함되어 있습니다.
Klarna: 미국 전화 지원의 즉각적인 답변
Klarna는 미국 고객을 위한 전화 지원의 1차 대응으로 ElevenAgents로 구축한 음성 에이전트를 출시했으며, 미국 내 Klarna 고객 3,500만 명 모두가 이용할 수 있습니다.
- 에이전트 역할: 상품 안내, 결제 상태, 다음 단계 등 정보성 통화를 처리합니다. 관련 컨텍스트를 수집하고 복잡하거나 민감한 상황을 감지하면 사람 상담원에게 연결합니다.
- 결과: Klarna는 에이전트가 처리하는 고객 문의의 해결 속도가 최대 10배 빨라졌으며, 간단하고 대량으로 발생하는 요청의 전화 대기열도 짧아졌다고 보고합니다.
- 접근 방식: 고객은 언제든 사람 상담원에게 연결될 수 있으며, 대화에 사람이 필요하면 에이전트가 연결합니다.
두 배포 사례 모두 위에서 설명한 패턴을 따릅니다. 즉, 회사 자체 데이터에 기반해 답변하고, 연결된 시스템에서 작업을 실행하며, 요청에 사람이 필요할 때 상담원에게 연결합니다. ElevenAgents가 자체 워크플로에 어떻게 적용되는지 알아보려면 금융 서비스를 위한 ElevenAgents를 살펴보세요.

은행 고객 서비스를 위한 ElevenAgents 시작하기
ElevenAgents는 금융기관이 보안과 규정 준수를 유지하면서 대화형 AI 모델의 이점을 자신 있게 활용할 수 있도록 지원합니다.
ElevenLabs는 Zero Retention 모드와 함께 SOC 2, PCI DSS, GDPR 표준을 지원하는 엔터프라이즈 규정 준수용 에이전트를 구축했습니다. 개선된 고객 경험이 민감한 금융 데이터 노출의 대가가 되지 않도록 하는 것이 목표입니다.
영업시간 외 지원부터 시작하든 하나의 대량 요청 유형부터 시작하든, ElevenLabs 팀은 리스크 및 보안 검토에 필요한 증빙을 포함해 은행이 첫 번째 에이전트의 범위를 설정하고 검증하며 배포하는 방법을 안내해 드립니다. 지금 시작하려면 금융 서비스를 위한 ElevenAgents에 대해 자세히 알아보거나 영업팀에 문의하세요.
은행의 대화형 AI에 관한 자주 묻는 질문
Jack Limebear는 Growth 팀에서 블로그와 인사이트 페이지의 콘텐츠 작가이자 전략가로 활동하고 있습니다. ElevenLabs에 합류하기 전에는 빠르게 성장하는 SaaS 스타트업부터 포춘 500대 기업까지 다양한 조직에서 10년 넘게 콘텐츠 전략을 이끌었습니다. 케임브리지 대학교에서 영문학 석사 학위를 취득했습니다.




